简短回答：主题分析（TA）和扎根理论（GT）都在定性资料中寻找模式，但二者追求的产出不同。主题分析在整个数据集中识别并解读主题，到此为止。扎根理论则更进一步：它让资料收集与分析交替进行，从而构建一个解释某一过程的新理论。如果你想要丰富的意义模式，选 TA；如果你需要解释某件事如何或为何发生，选 GT。
\n最后更新：2026 年 7 月 29 日。下文的方法论观点均标注了具名、注明年份的出处。
\n\n主题分析 vs 扎根理论并不是哪种方法更严谨的问题——两者都是成熟的方法——而是你想产出什么。二者常被混淆，因为都涉及对访谈记录编码、再把编码归类。决定性的差别在于终点：TA 交付的是一组主题，GT 交付的是一个理论。其余一切——抽样、时间安排、编码阶段——都由此而来。
\n| 维度 | 主题分析 | 扎根理论 |
|---|---|---|
| 主要目标 | 识别并解读模式（主题） | 构建新的解释性理论或过程模型 |
| 产出 | 一组有证据支撑的结构化主题 | 一个扎根理论：核心类属 + 类属间关系 |
| 资料收集与分析的时序 | 通常在资料收集完成后再分析 | 收集与分析同步、迭代进行 |
| 抽样 | 事先规划（目的性抽样） | 理论抽样——由逐步成形的理论引导 |
| 编码阶段 | 编码 → 候选主题 → 最终主题 | 开放编码 → 主轴/聚焦编码 → 理论编码 |
| 停止规则 | 主题已回答研究问题 | 核心类属达到理论饱和 |
| 理论承诺 | 可选——描述或诠释即可 | 必需——理论本身就是目的 |
| 最适合 | 应用型 UX、产品与洞察研究 | 理论不足的过程与新现象 |
主题分析是一种在定性资料中识别、分析并报告模式（主题）的方法。被引用最多的表述是 Virginia Braun 与 Victoria Clarke 提出的六阶段法：熟悉资料、生成初始编码、寻找主题、审查主题、定义并命名主题、撰写报告（Braun & Clarke, 2006）。Braun 和 Clarke 后来更强调反身性主题分析：主题是研究者主动建构出来的，而不是被动地从资料中“浮现”（thematicanalysis.net）。
\nTA 刻意保持灵活：它既可以是归纳式的（编码由资料驱动），也可以是演绎式的（编码由既有框架驱动），几乎可以叠加在任何定性研究设计之上。正是这种灵活性让它在应用研究中占据主导——UX、产品探索、客户洞察——这些场景的目标通常是回答一个实际问题，而不是发表一个理论。
\n\n扎根理论是一整套研究方法论，目的是生成一个“扎根”于资料的理论。它源自 Barney Glaser 与 Anselm Strauss 的《The Discovery of Grounded Theory》（1967），后来分化出多个流派，包括 Strauss 与 Corbin 更加程序化的版本，以及 Kathy Charmaz 的建构主义扎根理论（Charmaz, 2006/2014）。
\nGT 由一组环环相扣的做法来界定，而这些做法 TA 并不要求：
\n最终的回报是一个解释性模型——一组概念及其相互关系，用以解释某一社会或行为过程。
\n\n这是主题分析 vs 扎根理论问题的核心。主题是一种意义模式（“受访者不信任无法查看其内部机制的自动化工具”）。扎根理论则是对一个过程的解释（“对自动化工具的信任经由查看、小规模试用、再到委托的循环而形成，并受感知风险高低的调节”）。如果你的交付物是一组证据充分的模式，那就是 TA；如果是一个解释随时间变化过程的模型，那就是 GT。
\n\n在扎根理论中，分析不是田野工作之后的一个阶段——它驱动着田野工作。你要先对第一场访谈编码，再进行第二场访谈，而你的发现会改变你接下来要问的问题。在主题分析中，资料收集通常在编码开始前就已完成。仅这一点差异，就会重塑项目的时间表、招募和预算。
\n\nTA 使用在开始时就规划好的目的性抽样。GT 使用理论抽样：正在形成的理论会告诉你还需要哪些受访者或情境。这意味着 GT 的样本量无法事先确定——你要一直招募到饱和为止，因此更难规划和报价。
\n\nTA 既可以浅用（一次快速的描述性梳理），也可以深用（完整的反身性诠释）。GT 则是一种承诺：要么遵循它的逻辑——持续比较、理论抽样、饱和——要么你做的其实是别的东西，就不应称之为扎根理论。在从未做过理论抽样的研究中借用 GT 的编码术语，是审稿人最常指出的方法论错误之一。
\n\n回答下面五个问题。每个“GT”答案都把你推向扎根理论，每个“TA”答案都把你推向主题分析。按多数结果选择，并阅读平局时的判断说明。
\n| 问题 | 以下情况选 TA… | 以下情况选 GT… |
|---|---|---|
| 交付物是什么？ | 一组主题/洞察 | 一个新的解释性理论或模型 |
| 是否已有相关理论？ | 有——可以借助现有框架 | 没有——该领域理论不足 |
| 分析能否影响资料收集？ | 不能——资料已经收集完毕 | 能——可以迭代招募 |
| 样本有多固定？ | 事先固定 | 开放，直到饱和 |
| 时间周期如何？ | 数周；服务于应用决策 | 更长；以构建理论为目标 |
平局判断：如果你无法迭代地收集资料——这在产品和 UX 研究中是常见限制——那么你几乎肯定应该选择主题分析，即便你的目标带有理论色彩。你可以做一项严谨的、以理论为指引的 TA；但没有理论抽样，就做不了真正的扎根理论。
\n\nAI 改变了两种方法的工作量，却没有改变它们的逻辑。对于主题分析，大语言模型可以生成初始编码、把编码聚类为候选主题，并在大规模语料中找出支撑性引文——把 Braun 和 Clarke 的第 2–4 阶段从数天压缩到数分钟，再由研究者验证并重新命名主题。对于扎根理论，AI 可以辅助开放编码和持续比较，并帮助起草分析备忘录，但 GT 的决定性做法——理论抽样，以及判断核心类属是否已饱和——仍然是人的决定。AI 加速的是机械性的部分；它不决定理论何时完成。
\n\nQualitati 是面向产品、UX 和洞察团队的 AI 用户研究平台，其分析工具与主题分析最直接对应——这正是大多数应用型团队真正需要的方法。ThemeLens 可在多达 100 份访谈记录上运行 map-reduce 主题分析流程，把编码映射到研究问题，并综合出以受访者原话为依据的主题——相当于 TA 中寻找与审查主题阶段的结构化、可审计版本。QDA Workspace 支持归纳式与演绎式编码以及编码手册生成，并让研究者对每一个编码进行确认、合并、重命名或拒绝——这正是两种方法都要求的诠释控制权。对于扎根理论式的研究，Qualitati 的 AI 主持访谈能让你足够快地开展和回顾访谈，从而在两轮之间完成编码，但理论抽样与饱和的判断仍由你来做。Qualitati 支持 10 种语言，定价透明：注册即享含 30 积分的免费套餐（无需信用卡），并公开每积分价格——定位为 NVivo、ATLAS.ti 和 MAXQDA 的 AI 原生替代方案。查看透明定价。
\n\n三点坦诚的提醒。第一，上文清晰的划分在实践中会变得模糊：许多已发表的“扎根理论”研究实际产出的是主题而非理论，而不少“主题分析”也颇具理论抱负。请按你实际做了什么来命名方法，而不是选用听起来更严谨的标签。第二，两种方法都依赖 AI 无法承担的诠释：模型可以提出主题或编码，但效度、饱和和理论契合度都是研究者的判断，AI 编码需要人工审核——尤其是在抽象构念上。请把 AI 的输出当作高质量的初稿，而不是完成的分析。第三，方法选择救不了薄弱的资料；糟糕的访谈提纲会同时削弱 TA 和 GT。人工审核提示：在依赖任何与方法论相关的说法之前，请对照你自己的研究设计和原始文献加以确认。
\n\n不是。主题分析是一种寻找主题的分析方法；扎根理论是一整套构建理论的方法论，有其自身的抽样和资料收集逻辑。两者共享编码活动，但在目的和设计上不同。
\n\n对于小型或有时间限制的团队，主题分析通常更可行。它不需要迭代的资料收集或理论抽样，因此适合固定的时间表和预算——这正是 UX 和产品研究的常态。
\n\n能。一项以理论为指引的反身性 TA 可以推进认识，而无需自称扎根理论。只是除非你确实运用了持续比较、理论抽样和饱和，否则不要把它描述为扎根理论。
\n\n当你研究的过程理论不足、你需要的是解释性模型而不是描述，并且你能够迭代地收集资料、让分析引导下一步招募谁时，就应选择扎根理论。
\n\nAI 能加快机械性的部分——开放编码、持续比较、起草备忘录——但 GT 的决定性判断（理论抽样与饱和）仍由人来做。它不会缩短理论抽样所需的田野工作。
\n\n主题分析 vs 扎根理论的选择归根结底取决于你的交付物。如果你需要证据充分的模式来支持产品或研究决策，就用主题分析——而且如果你无法迭代地收集资料，这几乎总是正确的选择。如果你需要为某一过程构建新的解释性理论，并且能随着理论发展同步招募，就用扎根理论。免费注册即得 30 积分（无需信用卡），开展一场 AI 主持的访谈或焦点小组，并用内置的主题分析功能进行分析。查看透明定价，或阅读我们的主题分析指南和用 AI 做扎根理论。
","related":[{"slug":"best-ai-qualitative-data-analysis-tools-2026","title":"2026年值得评估的9款 AI 质性数据分析工具","description":"依据官方资料比较9款 AI 质性分析工具，重点检查来源可追溯性、研究者控制及完整研究成本。","category":"工具对比","date":"2026-07-12","readTime":"阅读约6分钟","author":"QualiTaTi"},{"slug":"outset-vs-strella-vs-listen-labs-2026","title":"Outset、Strella 与 Listen Labs：2026年采购比较","description":"依据官方来源比较 Outset、Strella 与 Listen Labs，附访谈试用标准、招募核查及完整研究成本清单。","category":"工具对比","date":"2026-07-12","readTime":"阅读约6分钟","author":"QualiTaTi"},{"slug":"dedoose-alternatives-2026","title":"Dedoose 替代方案 2026：价格、AI 编码与混合方法对比","description":"2026 年 Dedoose 替代方案对比：NVivo、ATLAS.ti、MAXQDA、Taguette、QualCoder 与 AI 原生的 Qualitati，涵盖价格、AI 编码和迁移评分表。","category":"工具对比","date":"2026-10-14","readTime":"9 分钟阅读","author":"Qualitati 研究团队"}]}